Multi-Objective Optimization of Runner Blades Using a Multi-Fidelity Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A robust multi-fidelity design optimization methodology has been developed to integrate advantages of high- and low-fidelity analyses and alleviate their weaknesses. The aim of this methodology is to reach more efficient turbine runners with respect to different constraints, in reasonable computational time and cost. In such a framework, an inexpensive low-fidelity (inviscid) solver handles most of the computational burden by providing data for the optimizer to evaluate objective functions and constraint values in the low-fidelity phase. An open-source derivative-free optimizer, NOMAD, explores the search space. Promising candidates are selected among all feasible solutions using a filtering process. The proposed filtering process accounts for Pareto optimal solutions and considers solutions which are different in the design variable space and are dominant in their local territories. A high-fidelity (viscous) solver is used outside the optimization loop to accurately evaluate filtered solutions. Accurate information achieved by high-fidelity analyses is also employed to recalibrate the low-fidelity optimization. The developed methodology demonstrated its ability to redesign a Francis turbine blade for a given best efficiency operating condition. The original and optimized cases were evaluated and compared for a complete range of operating conditions by calculating the efficiency curves and losses of different components. The optimal blade has provided an efficient runner for the given operating conditions considering the design constraints.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle